Mahotas - Sobel 边缘检测

Sobel 边缘检测是一种用于识别图像边缘的算法。边缘表示不同区域之间的边界。它通过计算每个像素处图像强度的梯度来工作。

简而言之，它测量像素值的变化以确定高变化区域，这些区域对应于图像中的边缘。

Mahotas 中的 Sobel 边缘检测

在 Mahotas 中，我们可以使用 mahotas.sobel() 函数来检测图像中的边缘。

Sobel 函数使用两个单独的过滤器，一个用于水平变化 (Gx)，另一个用于垂直变化 (Gy)。

这些过滤器通过将它们与图像的像素值卷积应用于图像。这将计算水平和垂直方向上的梯度。

一旦获得两个方向的梯度，Sobel 函数就会将它们组合起来，计算每个像素的总体梯度幅度。

这是使用勾股定理完成的，该定理计算水平和垂直梯度平方和的平方根。

$$\mathrm{M\:=\:\sqrt{(Gx^{2}\:+\:Gy^{2})}}$$

图像的最终梯度幅度 (M) 表示原始图像中边缘的强度。值越高表示边缘越强，值越低表示区域越平滑。

mahotas.sobel() 函数

mahotas.sobel() 函数以灰度图像作为输入并返回二值图像作为输出，其中使用 Sobel 边缘检测算法计算边缘。

结果图像中的白色像素表示边缘，而黑色像素表示其他区域。

语法

以下是 mahotas − 中 sobel() 函数的基本语法

mahotas.sobel(img, just_filter=False)

其中，

• img −它是输入的灰度图像。

• just_filter(可选) − 它是一个标志，指定是否对过滤后的图像进行阈值处理(默认值为 false)。

示例

在下面的例子中，我们使用 Sobel 边缘检测算法通过 mh.sobel() 函数检测边缘。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# 加载图像
image = mh.imread('sea.bmp')
# 将其转换为灰度
image = mh.colors.rgb2gray(image)
# 应用 sobel 梯度检测边缘
sobel = mh.sobel(image)
# 为子图创建图形和轴
fig, axis = mtplt.subplots(1, 2)
# 显示原始图像
axes[0].imshow(image)
axes[0].set_title('Original Image')
axes[0].set_axis_off()
# 显示边缘
axes[1].imshow(sobel)
axes[1].set_title('Sobel Edge Detection')
axes[1].set_axis_off()
# 调整子图之间的间距
mtplt.tight_layout()
# 显示图
mtplt.show()

输出

以下是上述代码的输出 −

不进行阈值处理的输出图像

我们也可以执行 Sobel 边缘检测算法，而无需对输出图像进行阈值处理。阈值处理是指通过将像素分类为前景或背景，将图像转换为二值图像。

通过将像素的强度值与阈值(固定)值进行比较来进行转换。

在 mahotas 中，sobel() 函数中的 just_filter 参数决定是否对输出图像进行阈值处理。我们可以将此参数设置为"True"，以防止对输出图像进行阈值处理。

如果将过滤器设置为"False"，则对输出图像进行阈值处理。

示例

在下面提到的示例中，我们在使用 Sobel 边缘检测算法时不会对输出图像进行阈值处理。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# 加载图像
image = mh.imread('sun.png')
# 将其转换为灰度
image = mh.colors.rgb2gray(image)
# 应用 sobel 梯度检测边缘
sobel = mh.sobel(image, just_filter=True)
# 为子图创建图形和轴
fig, axis = mtplt.subplots(1, 2)
# 显示原始图像
axes[0].imshow(image)
axes[0].set_title('Original Image')
axes[0].set_axis_off()
# 显示边缘
axes[1].imshow(sobel)
axes[1].set_title('Sobel Edge Detection')
axes[1].set_axis_off()
# 调整子图之间的间距
mtplt.tight_layout()
# 显示图
mtplt.show()

输出

执行上述代码后，我们得到以下输出 −

在阈值图像上

Sobel 边缘检测也可以在阈值图像上执行。阈值图像是二值图像，其中像素被分类为前景或背景。

前景像素为白色，用值 1 表示，而背景像素为黑色，用值 0 表示。

在 mahotas 中，我们首先使用任何阈值算法对输入图像进行阈值处理。让我们假设Bernsen 阈值算法。这可以通过在灰度图像上使用 mh.thresholding.bernsen() 函数来实现。

然后，我们应用 Sobel 边缘检测算法来检测阈值图像的边缘。

示例

在这里，我们使用 Sobel 边缘检测算法在阈值图像上检测图像的边缘。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# 加载图像
image = mh.imread('tree.tiff')
# 将其转换为灰度
image = mh.colors.rgb2gray(image)
# 在图像上应用阈值
threshold_image = mh.thresholding.bernsen(image, 17, 19)
# 应用 sobel 梯度检测边缘
sobel = mh.sobel(threshold_image)
# 为子图创建图形和轴
fig, axis = mtplt.subplots(1, 2)
# 显示原始图像
axes[0].imshow(image)
axes[0].set_title('Original Image')
axes[0].set_axis_off()
# 显示边缘
axes[1].imshow(sobel)
axes[1].set_title('Sobel Edge Detection')
axes[1].set_axis_off()
# 调整间距子图
mtplt.tight_layout()
# 显示图形
mtplt.show()

输出

执行上述代码后，我们得到以下输出 −